121 lines
6.9 KiB
Markdown
121 lines
6.9 KiB
Markdown
---
|
|
title: Primeiros passos com GitHub code para aprendizado de máquina
|
|
shortTitle: Aprendizado de máquina
|
|
intro: 'Aprenda como trabalhar em projetos de aprendizado de máquina com {% data variables.product.prodname_github_codespaces %} e suas ferramentas inovadoras.'
|
|
product: '{% data reusables.gated-features.codespaces %}'
|
|
versions:
|
|
fpt: '*'
|
|
ghec: '*'
|
|
type: tutorial
|
|
topics:
|
|
- Codespaces
|
|
- Developer
|
|
---
|
|
|
|
## Introdução
|
|
|
|
Este guia apresenta você ao aprendizado de máquina com {% data variables.product.prodname_github_codespaces %}. Você vai construir um simples classificador de imagem, aprender sobre algumas das ferramentas que vêm pré-instaladas em {% data variables.product.prodname_github_codespaces %}, configurar o seu ambiente de desenvolvimento para NVIDIA CUDA e usar {% data variables.product.prodname_cli %} para abrir o seu código em JupyterLab.
|
|
|
|
## Pré-requisito
|
|
|
|
Você tem acesso a {% data variables.product.prodname_github_codespaces %}. Para obter mais informações, consulte "[Criando um codespace](/codespaces/developing-in-codespaces/creating-a-codespace#access-to-github-codespaces)".
|
|
|
|
## Criar um simples classificador de imagem
|
|
|
|
Usaremos um caderno de anotações do Jupyter para construir um classificador de imagem simples.
|
|
|
|
Os Jupyter notebooks são conjuntos de células que você pode executar um após o outro. O caderno no bloco de notas que cria um número de células que constroem um classificador de imagem usando [PyToch](https://pytorch.org/). Cada célula é uma fase diferente desse processo: faça o download de um conjunto de dados, configure uma rede neural, treine um modelo e, em seguida, teste esse modelo.
|
|
|
|
Vamos executar todas as células, em sequência, para executar todas as fases da construção do classificador de imagem. Quando fazemos isso, o Jupyter salva a saída de volta no notebook para que você possa examinar os resultados.
|
|
|
|
### Criando um repositório e um codespace
|
|
|
|
1. Acesse o repositório de modelo [github/codespaces-getting-started-ml](https://github.com/github/codespaces-getting-started-ml) e clique em **Usar este modelo**.
|
|
{% data reusables.codespaces.open-codespace-from-template-repo %}
|
|
|
|
Por padrão, um codespaces para este repositório abre em uma versão {% data variables.product.prodname_vscode %} baseada na web.
|
|
|
|
### Abrir o notebook classificador de imagem
|
|
|
|
A imagem padrão de contêiner usada por {% data variables.product.prodname_github_codespaces %} inclui um conjunto de bibliotecas de aprendizado de máquina pré-instaladas no seu codespace. Por exemplo, Numpy, pandas, SciPy, Matplotlib, seaborn, scikit-learn, TensorFlow, Keras, PyTorch, Requests e Plotly. Para obter mais informações sobre a imagem padrão, consulte "[Introdução a contêineres de desenvolvimento](/codespaces/setting-up-your-project-for-codespaces/introduction-to-dev-containers#using-the-default-dev-container-configuration)" e [o repositório `devcontainers/imagens`](https://github.com/devcontainers/images/tree/main/src/codespaces#github-codespaces-default-linux-universal).
|
|
|
|
1. No editor {% data variables.product.prodname_vscode_shortname %}, feche qualquer guia "Primeiros passos" que for exibida.
|
|
1. Abra o arquivo do notebook `image-classifier.ipynb`.
|
|
1. Clique no link do kernel do Python no canto superior direito do editor.
|
|
|
|
|
|
|
|
1. No menu suspenso, escolha o kernel no diretório `/opt/python/latest/bin/python`.
|
|
|
|
|
|
|
|
### Crie o classificador de imagem
|
|
|
|
O caderno classificador de imagem contém todo o código que você precisa para baixar, um conjunto de dados, treinar uma rede neural e avaliar seu desempenho.
|
|
|
|
1. Clique **Executar todos** para executar todas as células do caderno.
|
|
|
|
|
|
|
|
1. Role para baixo para ver a saída de cada célula.
|
|
|
|
|
|
|
|
## Configurar NVIDIA CUDA para o seu codespace
|
|
|
|
Alguns softwares, como o TensorFlow, exigem a instalação do NVIDIA CUDA para usar a GPU do seu codespace. Quando esse for o caso, você pode criar sua própria configuração personalizada, usando um arquivo `devcontainer.json` e especificar que o CUDA deve ser instalado. Para obter mais informações sobre como criar uma configuração personalizada, consulte "[Introdução aos contêineres de desenvolvimento](/codespaces/setting-up-your-project-for-codespaces/introduction-to-dev-containers#creating-a-custom-dev-container-configuration)."
|
|
|
|
{% note %}
|
|
|
|
**Observação**: Para obter detalhes completos do script que é executado quando você adiciona o recurso `nvidia-cuda`, consulte [o devcontainers/features repository](https://github.com/devcontainers/features/tree/main/src/nvidia-cuda).
|
|
|
|
{% endnote %}
|
|
|
|
1. Dentro de um codespace, abra o arquivo `.devcontainer/devcontainer.json` no editor.
|
|
1. Adicione um objeto `funcionalidades` de alto nível com os seguintes conteúdos:
|
|
|
|
```json{:copy}
|
|
“features”: {
|
|
"ghcr.io/devcontainers/features/nvidia-cuda:1": {
|
|
"installCudnn": true
|
|
}
|
|
}
|
|
```
|
|
|
|
Para obter mais informações sobre o objeto `funcionalidades`, consulte a [especificação dos contêineres de desenvolvimento](https://containers.dev/implementors/features/#devcontainer-json-properties).
|
|
|
|
Se você estiver usando o arquivo `devcontainer.json` do repositório de imagens classificado que você criou para este tutorial, seu arquivo `devcontainer.json` agora irá se parecer com isto:
|
|
|
|
```
|
|
{
|
|
"customizations": {
|
|
"vscode": {
|
|
"extensions": [
|
|
"ms-python.python",
|
|
"ms-toolsai.jupyter"
|
|
]
|
|
}
|
|
},
|
|
“features”: {
|
|
"ghcr.io/devcontainers/features/nvidia-cuda:1": {
|
|
"installCudnn": true
|
|
}
|
|
}
|
|
}
|
|
```
|
|
|
|
1. Salve a alteração.
|
|
{% data reusables.codespaces.rebuild-command %}
|
|
O contêiner do codespace será recriado. Isso levará vários minutos. Quando a recriação for concluída, o codespace será reaberto automaticamente.
|
|
1. Faça o commit da alteração no repositório para que o CUDA seja instalado em qualquer codespace novo que você criar a partir deste repositório no futuro.
|
|
|
|
## Abra seu codespace no JupyterLab
|
|
|
|
A imagem padrão de contêiner usada por {% data variables.product.prodname_github_codespaces %} inclui JupyterLab e o Jupyter IDE baseado na web. Você pode usar {% data variables.product.prodname_cli %} para abrir seu codespace no JupyterLab sem ter que instalar mais nada no seu codespace.
|
|
|
|
1. No terminal, entre no comando {% data variables.product.prodname_cli %} `gh cs jupyter`.
|
|
1. Escolha o codepsace que você deseja abrir.
|
|
|
|
|
|
|